Metodologie di analisi dati
A.A. 2018/2019
Obiettivi formativi
Questo corso introduce gli studenti all'analisi statistica dei dati
sperimentali e fornisce le basi per applicazioni col linguaggio C++
in ambiente ROOT con applicazioni semplici al computer.
sperimentali e fornisce le basi per applicazioni col linguaggio C++
in ambiente ROOT con applicazioni semplici al computer.
Risultati apprendimento attesi
Non definiti
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
Programma
L'informazione dai dati sperimentali. Descrizione dei dati. Statistica descrittiva ed inferenziale. Probabilita' e sua interpretazione. Variabili casuali. Descrizione dei dati, funzione densita' di probabilita', funzione distribuzione cumulativa, matrice di covarianza e propagazione degli errori.
Funzioni di distribuzione notevoli, legge dei grandi numeri e teorema limite centrale. Simulazioni Monte Carlo. Stima puntuale dei parametri. Stima di media, varianza e covarianza.
Metodi della Massima Verosimiglianza Estesa e dei Minimi Quadrati. Stime intervallari di parametri.Intervalli di Confidenza. Stimatori puntuali ed intervallari di tipo bayesiano.
Verifica delle ipotesi, statistiche di test, lemma di Neyman-Pearson, test di bonta' del fit, test del chi^2 di Pearson e test di Kolmogorov-Smirnov. Discriminante lineare di Fisher , reti neurali,
boosted decision tree e random forest. Confronto teoria-esperimento e funzioni di risoluzione.
Funzioni di distribuzione notevoli, legge dei grandi numeri e teorema limite centrale. Simulazioni Monte Carlo. Stima puntuale dei parametri. Stima di media, varianza e covarianza.
Metodi della Massima Verosimiglianza Estesa e dei Minimi Quadrati. Stime intervallari di parametri.Intervalli di Confidenza. Stimatori puntuali ed intervallari di tipo bayesiano.
Verifica delle ipotesi, statistiche di test, lemma di Neyman-Pearson, test di bonta' del fit, test del chi^2 di Pearson e test di Kolmogorov-Smirnov. Discriminante lineare di Fisher , reti neurali,
boosted decision tree e random forest. Confronto teoria-esperimento e funzioni di risoluzione.
Prerequisiti
PREREQUISITI
Elementi di calcolo differenziale ed integrale.
MODALITA' D'ESAME
L'esame consiste in una discussione orale che verte sugli argomenti trattati nel corso.
Elementi di calcolo differenziale ed integrale.
MODALITA' D'ESAME
L'esame consiste in una discussione orale che verte sugli argomenti trattati nel corso.
Metodi didattici
Modalità di frequenza:
Fortemente consigliata
Modalità di erogazione:
Tradizionale
Fortemente consigliata
Modalità di erogazione:
Tradizionale
Materiale di riferimento
G. Cowan, Statistical Data Analysis, Oxford University Press, Oxford
Docente/i